새로운 이진 시간-주파수 이미지 기반 단일 및 복합 변조 레이더 신호 변조 분류

Abstract

현대전에서 많은 무기체계들이 광역화된 전장영역에 대응하기 위하여 전자기 신호를 이용함에 따라 전자기전(Electromagnetic Warfare)의 중요성이 점차 증대되고 있다. 위협세력의 레이더 신호에 대한 분석은 전자기전에서의 우위 확보를 위한 중요 활동중 하나로, 특히 수집된 레이더 신호의 변조 방식을 사전 정보 없이 분류하는 기술은 아군이 위협세력의 존재를 파악하고 유효한 정보를 획득할 수 있게 하는 역할을 수행한다. 레이더 신호의 변조 분류를 위하여 신호의 이진 시간-주파수 이미지(Time-frequency image, TFI)를 사용하는 경우, 회색조의 TFI를 사용하는 경우와 비교하여 시스템의 메모리 효율성을 향상시킬 수 있다는 장점이 있으나 이진화 과정에서 이미지의 패턴이 왜곡될 수 있다는 문제점이 있다. 본 논문에서는 이러한 패턴 왜곡을 감소시키는 새로운 이진 TFI 생성 기법을 제안하고, 이를 기반으로 하여 레이더 신호 변조 분류 성능을 분석한다. 제안하는 기법은 먼저 수신 레이더 신호의 회색조 TFI를 생성한 후, 회색조 TFI의 시간 축 방향 주변화를 통해 레이더 신호의 주파수 성분에 대한 정보를 추출하여 이미지의 잡음을 줄인다. 다음으로 잡음이 감소된 이미지를 주파수 축 방향으로 표준화하고 클리핑 하여 패턴을 강조하고 이를 전역 임계화를 통해 이진화한다. 컴퓨터 모의실험을 통해 제안한 기법으로 생성한 이진 TFI를 이용하여 총 37종의 단일 및 복합 변조 방식의 레이더 신호를 효과적으로 분류할 수 있음을 보이며, 제안한 이진 TFI를 이용하는 기법이 다양한 딥러닝 모델에 대해 기존 기법으로 생성한 이진 TFI 보다 더 우수한 레이더 신호 변조 분류가 가능함을 확인한다.

In modern warfare, as numerous weapon systems adopt electromagnetic signals to cope with expanding battlefield areas, the importance of electromagnetic warfare is becoming increasingly prevalent. In electromagnetic warfare, analyzing the radar signals of hostile forces is a crucial activity to gain superiority. Particularly, the technique to classify modulation schemes of radar signals collected without prior information plays a vital role in enabling friendly forces to identify the presence of threats and obtain valuable intelligence. For radar signal modulation classification, the use of binary time-frequency image (TFI) has the advantage of improving system memory efficiency over grayscale TFI, but with the drawback of image pattern distortion during binarization. This paper proposes a novel binary TFI generation method that reduces pattern distortion. To achieve this, we first generate a grayscale TFI of the received radar signal, then reduce the noise in the image by extracting the frequency component-related information through temporal marginalization of the grayscale TFI. Subsequently, the noise-reduced image is standardized and clipped along the frequency axis for pattern enhancement, followed by global thresholding for binarization. Through computer simulations, we show that the binary TFI generated with the proposed method can effectively classify 37 single and composite radar modulation schemes. Furthermore, we verify that for various deep learning models, the proposed method shows better classification performance than the binary TFIs generated using conventional methods.